Giả thuyết Nội dung
N1 Tính hữu dụng có ảnh hưởng tích cực đến mua hàng hàng trực tuyếncủa sinh viên Đại học Thương mại N2 Tính bảo mật có ảnh hưởng tích cực đến mua hàng trực tuyến của sinhviên Đại học Thương mại N3 Niềm tin có ảnh hưởng tích cực đến mua hàng trực tuyến của sinh viênĐại học Thương mại
Bảng 4. 23: Bảng giả thuyết cho mơ hình nghiên cứu điều chỉnh
4.5. Tương quan Pearson
4.5.1. Lý thuyết
Phân tích hệ số tương quan Pearson là một trong những bước quan trọng trong phân tích định lượng. Ngay sau bước phân tích nhân tố khám phá EFA, ta tạo biến đại diện cho mỗi nhóm nhân tố và tiến hành phân tích tương quan Pearson.
Hệ số tương quan Pearson (r) là số liệu thống kê kiểm tra đo lường mối quan hệ thống kê hoặc liên kết giữa các biến phụ thuộc với các biến liên tục, có giá trị dao động trọng khoảng liên tục từ -1 đến +1:
- Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về 1 là tương quan dương, tiến về -1 là tương quan âm.
- Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
- Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter như hình vẽ ở trên, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
- Nếu r = 0: khơng có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, khơng có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến.
Tại bước tương quan Pearson, nếu sig > 0.05 thì 2 biến khơng có tương quan với nhau nhưng vẫn có thể có ý nghĩa khi phân tích hồi quy. Bởi vì trong Pearson, các biến so sánh với nhau ở mối quan hệ độc lập, chỉ xét trong phạm vi 2 biến đó. Cịn trong hồi quy, khơng có sự so sánh từng cặp nữa mà mỗi biến độc lập sẽ được xem xét sự tương quan với biến phụ thuộc khi đặt cạnh các biến độc lập cịn lại. Do đó, mỗi biến có thể khơng tương quan tuyến tính với biến phụ thuộc ở bước phân tích Pearson nhưng lại hồn tồn có ý nghĩa trong phương trình hồi quy tuyến tính.
4.5.2. Phân tích tương quan Pearson
Sau khi phân tích khám phá nhân tố EFA, ta có được bảng ma trận xoay cuối cùng. Sau đó ta tiến hành tạo các nhân tố đại diện.
- Nhân tố đại diện Tính hữu dụng (THD) gồm 11 biến là TKW1, TKW2, TKW3, TKW4, SDD1, SDD2, SDD3,TDSD1, TDSD2,TDSD3,TDSD4.
- Nhân tố đại diện Tính bảo mật (TBM) gồm 3 biến là TBM1, TBM2, TBM3. - Nhân tố đại diện Niềm tin (NT) bao gồm 3 biến là NT1, NT2, NT3.
- Nhân tố đại diện Quyết định mua hàng trực tuyến bao gồm 4 biến là QDMH1, QDMH2, QDMH3, QDMH4.
Tiếp theo ta, phân tích tương quan pearson
Correlations QDMH THD TBM NT QDMH Pearson Correlation 1 .755** .526** .658** Sig. (2-tailed) .000 .000 .000 N 202 202 202 202 THD Pearson Correlation .755** 1 .577** .576** Sig. (2-tailed) .000 .000 .000 N 202 202 202 202 TBM Pearson Correlation .526** .577** 1 .594** Sig. (2-tailed) .000 .000 .000 N 202 202 202 202 NT Pearson Correlation .658** .576** .594** 1 Sig. (2-tailed) .000 .000 .000 N 202 202 202 202
Bảng 4. 24: Tương quan Pearson
Quan sát các giá trị sig và hệ số tương quan pearson trong bảng trên, ta có kết luận sau: Kết quả kiểm định correlations của các biến có giá trị Sig < 0.05 và 0 < r < 1
+ Có mối quan hệ tương quan tuyến tính giữa biến THD và biến QDMH; và 2 biến này có mối quan hệ cùng chiều.
+ Có mối quan hệ tương quan tuyến tính giữa biến TBM và biến QDMH; và 2 biến này có mối quan hệ cùng chiếu.
+ Có mối quan hệ tương quan tuyến tính giữa biến NT và biến QDMH; và 2 biến này có mối quan hệ cùng chiếu.
4.6. Phân tích hồi quy tuyến tính bội
4.6.1. Lý thuyết
Trong nghiên cứu, chúng ta thường phải kiểm định các giả thuyết về mối quan hệ giữa hai hay nhiều biến, trong đó có một biến phụ thuộc và một hay nhiều biến độc lập. Nếu chỉ có một biến độc lập, mơ hình được gọi là mơ hình hồi quy đơn biến SLR (Simple Linear Regression). Trường hợp có từ hai biến độc lập trở lên, mơ hình được gọi là hồi quy bội MLR (Multiple Linear Regression). Những nội dung tiếp theo ở tài liệu này chỉ đề cập đến hồi quy bội, hồi quy đơn biến tính chất tương tự với hồi quy bội
- Phương trình hồi quy đơn biến: Y = β0 + β1X + e
- Phương trình hồi quy bội: Y = β0 + β1X1 + β2X2 + … + βnXn + e Trong đó:
Y: biến phụ thuộc, là biến chịu tác động của biến khác.
X, X1, X2, Xn: biến độc lập, là biến tác động lên biến khác.
β0: hằng số hồi quy, hay còn được gọi là hệ số chặn. Đây là chỉ số nói lên giá trị của Y sẽ là bao nhiêu nếu tất cả X cùng bằng 0. Nói cách khác, chỉ số này cho chúng ta biết giá trị của Y là bao nhiêu nếu khơng có các X. Khi biểu diễn trên đồ thị Oxy, β0 là điểm trên trục Oy mà đường hồi quy cắt qua.
β1, β2, βn: hệ số hồi quy, hay cịn được gọi là hệ số góc. Chỉ số này cho chúng ta biết về mức thay đổi của Y gây ra bởi X tương ứng. Nói cách khác, chỉ số này nói lên có bao nhiêu đơn vị Y sẽ thay đổi nếu X tăng hoặc giảm một đơn vị.
e: sai số. Chỉ số này càng lớn càng khiến cho khả năng dự đốn của hồi quy trở nên kém chính xác hơn hoặc sai lệch nhiều hơn so với thực tế. Sai số trong hồi
quy tổng thể hay phần dư trong hồi quy mẫu đại diện cho hai giá trị, một là các biến độc lập ngồi mơ hình, hai là các sai số ngẫu nhiên.
Trong thống kê, vấn đề chúng ta muốn đánh giá là các thông tin của tổng thể. Tuy nhiên vì tổng thể q lớn, chúng ta khơng thể có được các thơng tin này. Vì vậy, chúng ta dùng thơng tin của mẫu nghiên cứu để ước lượng hoặc kiểm định thơng tin của tổng thể. Với hồi quy tuyến tính cũng như vậy, các hệ số hồi quy tổng thể như β1, β2 … hay hằng số hồi quy β0 là những tham số chúng ta muốn biết nhưng không thể đo lường được. Do đó, chúng ta sẽ sử dụng tham số tương ứng từ mẫu để ước lượng và từ đó suy diễn ra tổng thể. Phương trình hồi quy trên mẫu nghiên cứu:
Y = B0 + B1X1 + B2X2 + … + BnXn + ε Trong đó: Y: biến phụ thuộc X, X1, X2, Xn: biến độc lập B0: hằng số hồi quy B1, B2, Bn: hệ số hồi quy ε: phần dư
4.6.2. Phân tích hồi quy tuyến tính bội
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .803a .645 .639 .40589 1.825 a. Predictors: (Constant), NT, THD, TBM b. Dependent Variable: QDMH
(Nguồn: Xử lý số liệu trên SPSS 20.0)
Bảng 4. 25: Bảng Model Summary
Nhìn vào bảng trên ta có R Square ( R2 ) = 0.645 và Adjusted R Square ( R2 hiệu chỉnh) = 0.639 ta nhận thấy R2 hiệu chỉnh nhỏ hơn R2 nên ta dùng nó để đánh giá độ phù hợp của mơ hình sẽ an tồn hơn vì nó khơng thổi phồng mức độ phù hợp của mơ hình. Hệ số R2 hiệu chỉnh là 0.639 ( 0 < R2 hiệu chỉnh < 1), mơ hình có ý nghĩa. Điếu này cho thấy các biến độc lập giải thích được 63,9% sự biến thiên của biến phụ thuộc, cịn lại là 36,1% được giải thích bởi các biến ngồi mơ hình và sai số ngẫu nhiên.
ANOVAa
Model Sum of Squares df Mean Square F Sig. 1 Regression 59.150 3 19.717 119.680 .000b Residual 32.620 198 .165 Total 91.770 201 a. Dependent Variable: QDMH b. Predictors: (Constant), NT, THD, TBM Bảng 4. 26: Bảng ANOVA
(Nguồn: Xử lý số liệu trên SPSS 20.0)
Theo bảng trên để kiểm định độ phù hợp của mơ hình hồi quy, giá trị Sig của kiểm định F Sig=0.000 < 0.05 do đó mơ hình hồi quy là phù hợp.
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients
t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF
1 (Constant) .518 .182 2.843 .005 THD .583 .058 .561 10.114 .000 .583 1.715 TBM .004 .047 .005 .089 .929 .564 1.772 NT .304 .052 .332 5.890 .000 .566 1.767 a. Dependent Variable: QDMH Bảng 4. 27: Hệ số hồi quy
(Nguồn: Xử lý số liệu trên SPSS 20.0)
Từ bảng kết quả trên ta rút ra nhận xét sau:
- Sig của 2 biến độc lập THD, NT đều nhỏ hơn 0.05. Riêng biến độc lập TBM có Sig = 0.929 > 0.05 nên biến độc lập này khơng có sự tác động đến biến phụ thuộc.
- Để xác định mức độ tác động của mỗi biến độc lập đối với biến phụ thuộc ta dùng hệ số hồi quy (Beta) đã được chuẩn hoá. Tác động mạnh nhất tới biến phụ thuộc là Tính hữu dụng do có hệ số Beta = 0.561 sau đó là biến phụ thuộc Niềm tin có hệ số Beta = 0.332. Cịn biến Tính bảo mật khơng có tác động tới biến phụ thuộc.
QDMH= 0.561* THD + 0.332*NT
4.6.3. Kiểm định các giả thuyết hồi quy
Biểu đồ 4. 9: Biểu đồ Histogram
(Nguồn: Xử lý số liệu trên SPSS 20.0)
Đường cong này có dạng hình chng, phù hợp với dạng đồ thị của phân phối chuẩn. Giá trị trung bình Mean gần bằng 0, độ lệch chuẩn là 0.993 gần bằng 1, như vậy có thể nói, phân phối phần dư xấp xỉ chuẩn. Do đó, có thể kết luận rằng: Giả thiết phân phối chuẩn của phần dư không bị vi phạm.
Biểu đồ 4. 10: Biểu đồ P-P Plot
(Nguồn: Xử lý số liệu trên SPSS 20.0)
Các điểm phân vị trong phân phối của phần dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm.
Biểu đồ 4. 11: Biểu đồ Scatter Plot
(Nguồn: Xử lý số liệu trên SPSS 20.0)
Phần dư chuẩn hóa phân bổ tập trung xunh quanh đường tung độ 0, do vậy giả định quan hệ tuyến tính khơng bị vi phạm.
4.7. Kết quả kiểm định các giải thuyết nghiên cứu
Giả thuyết N1 cho rằng tính hữu dụng có mối quan hệ dương tính với quyết định mua hàng trực tuyến. Căn cứ vào kết quả hồi quy cho thấy hệ số Beta = 0.561 với mức ý nghĩa sig = 0.000 nhỏ hơn 0.05. Vậy giả thuyết N1 được chấp nhận hay nói cách khác sự ảnh hưởng của tính hữu dụng đến quyết định mua hàng trực tuyến của sinh viên ĐHTM có ý nghĩa thống kê.
Giả thuyết N2 cho rằng tính bảo mất có mối quan hệ dương tính với quyết định mua hàng trực tuyến. Căn cứ vào kết quả hồi quy cho thấy hệ số Beta = 0.005 với mức ý nghĩa sig = 0.929 lớn hơn 0.05. Vậy giả thuyết N2 khơng được chấp nhận hay nói cách khác sự ảnh hưởng của tính bảo mật đến quyết định mua hàng trực tuyến của sinh viên ĐHTM khơng có ý nghĩa thống kê.
Giả thuyết N3 cho rằng niềm tin có mối quan hệ dương tính với quyết định mua hàng trực tuyến. Căn cứ vào kết quả hồi quy cho thấy hệ số Beta = 0.332 với mức ý
nghĩa sig = 0.000 nhỏ hơn 0.05. Vậy giả thuyết N3 được chấp nhận hay nói cách khác sự ảnh hưởng của niềm tin đến quyết định mua hàng trực tuyến của sinh viên ĐHTM có ý nghĩa thống kê.
4.8. Kết quả của nghiên cứu định tính
Mục đích: Nghiên cứu định tính nhằm xác định và củng cố cho kết quả của
nghiên cứu định lượng, kết quả 5 nhóm yếu tố ban đầu là “Thiết kế Web”, “Sự đa dạng”, “Tính dễ sử dụng”, “Tính bảo mật” và “Niềm tin” tác động đến “quyết định mua hàng trực tuyến của sinh viên Đại học Thương mại”.
Mơ hình nghiên cứu đề xuất: